该博客介绍了使用LSTM模型对来自theLongitudinalStudyofAustralianChild（LSAC）数据集的时序数据进行抑郁症分类的研究。输入为7x762的矩阵，包含了7次问卷调查的回答。通过LSTM处理时序信息，同时结合AnomalyRanking和One-classMetricLearning等多任务学习方法以增强模型泛化能力。研究发现，这种方法能有效处理时序数据并优于仅使用SVM的情况。
链接：https://arxiv.org/pdf/2012.02950.pdf
模型：LSTM
输入：7x762的矩阵（7： 7次问卷调查， 762：1次问卷调查的所有答案concat在一起）
输出：分类结果（抑郁 or not）
数据集：the Longitudinal Study of Australian Child（LSAC）提出的数据集
包括7波问卷调查，每隔两年来一波，调查人群中一部分在第6、7波检查出抑郁，一部分正常
LSTM优点：能接收时序数据，相比SVM只能接收一波的数据
多任务：加了两个其他任务，目的是提高模型泛化性能，一个叫Anomaly Ranking，一个叫
One-class Metric Learning，有一定的参考价值
扫一扫
1593
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
